NotebookLM per aziende: cosa fa davvero, quanto costa e i limiti

La domanda che arriva più spesso quando si parla di NotebookLM per aziende non è «come si attiva», ma una molto più scomoda: perché, tre settimane dopo averlo attivato, lo usano in quattro. Lo strumento funziona. I documenti sono caricati. Eppure il progetto è fermo.

La distanza fra queste due condizioni, averlo attivo e averlo utile, è il vero contenuto di questo articolo. Nel frattempo è cambiato anche il nome: dal 16 luglio 2026 NotebookLM si chiama Gemini Notebook, come ha annunciato Google sul blog Workspace Updates. Il prodotto è lo stesso, i notebook esistenti continuano a funzionare, ma la ricerca in italiano è ancora tutta sul vecchio nome, e questo dice qualcosa su quanto il mercato italiano stia inseguendo un prodotto che si muove in fretta.

Qui trovi cosa fa davvero su procedure, contratti e wiki, quanto costa, quali limiti ha sui permessi e sulle allucinazioni, e quale lavoro serve perché smetta di essere una demo.

In questo articolo scoprirai:

• NotebookLM per aziende: cosa fa davvero su procedure, contratti e wiki
• Quanto costa NotebookLM per le aziende e quali limiti ha ogni piano
• Il problema dei permessi: chi vede cosa quando un notebook viene condiviso
• Privacy, AI Act e conformità: dove finiscono i documenti aziendali
• Attivarlo non basta: cosa separa un notebook pieno da uno utile

NotebookLM per aziende: cosa fa davvero su procedure, contratti e wiki

Il meccanismo è semplice e va capito bene, perché tutto il resto discende da lì. Carichi delle fonti in un notebook, PDF, Google Docs, presentazioni, audio, pagine web, e da quel momento il modello risponde solo su quelle. Non pesca da internet, non improvvisa da memoria: ogni affermazione arriva con un riferimento cliccabile al punto esatto del documento da cui viene.

È una differenza sostanziale rispetto a un assistente generalista. Se chiedi a un chatbot aziendale basato su ChatGPT o altri LLM qual è la procedura di reso, ti risponde con la procedura di reso mediamente plausibile del settore. Se lo chiedi a un notebook che contiene il tuo manuale operativo, ti risponde con la tua, e ti mostra il paragrafo. La citazione puntuale è la funzione che rende lo strumento difendibile in un contesto aziendale, perché sposta il lavoro dell’utente da «devo fidarmi» a «verifico in due secondi».

I casi d’uso che reggono davvero sono quelli dove il corpus è chiuso e la domanda è di sintesi: confronto fra versioni successive di un contratto, estrazione delle clausole di penale da un capitolato, onboarding di una persona nuova su una wiki di ottocento pagine, preparazione di una riunione a partire da verbali sparsi. In tutti questi casi il valore non è la creatività del modello: è che qualcuno legge in trenta secondi quello che avrebbe letto in tre ore.

Da NotebookLM a Gemini Notebook: cosa cambia per chi lo usa in azienda

Il cambio di nome, in sé, non richiede azioni: nell’annuncio sul blog Workspace Updates Google specifica che «non è richiesta alcuna azione da parte degli amministratori» e che i redirect automatici mantengono funzionanti notebook condivisi e link esistenti; nello stesso annuncio l’azienda dichiara oltre 30 milioni di utenti e più di 600.000 organizzazioni. Ma non è solo branding. Secondo la copertura di 9to5Google, ogni notebook riceve «un computer cloud sicuro per scrivere ed eseguire codice nativamente», e i notebook stanno entrando nell’AI Mode della Ricerca. Chi lo valuta oggi non sta valutando un blocco note, ma un pezzo dell’ecosistema Gemini di Google.

Quanto costa NotebookLM per le aziende e quali limiti ha ogni piano

Qui serve precisione, perché la SERP italiana è piena di numeri vecchi. I limiti dei piani, secondo la guida ufficiale di Google, sono scalati così: la versione gratuita dà 100 notebook, 50 fonti per notebook, 50 domande al giorno e 3 audio overview; il piano Plus sale a 200 notebook e 100 fonti; il Pro arriva a 500 notebook, 300 fonti e 500 domande giornaliere; l’Ultra spinge fino a 500-600 fonti e alcune migliaia di query.

L’edizione Enterprise è un altro prodotto. La pagina Google Cloud indica una prova di 30 giorni e poi 9 dollari per licenza al mese, con un minimo di 15 licenze. È un dettaglio che pesa nella decisione: il minimo di quindici postazioni significa che l’ingresso costa circa 135 dollari al mese anche se le persone che lo useranno davvero sono sei. Vale la pena saperlo prima, non dopo.

I limiti della versione gratuita di NotebookLM in un contesto aziendale

Il tetto vero non è il numero di fonti: è che il piano gratuito passa da account Google personali. Significa documenti aziendali su identità che l’azienda non amministra, nessun controllo di revoca quando qualcuno se ne va, nessuna traccia. Su cinquanta fonti si lavora benissimo per un progetto; su un archivio contrattuale no. Sono limiti che si sentono presto: come nota una recensione business del prodotto, «i limiti di dimensione e quantità dei file stringono su dataset ampi come le librerie di policy». Il ragionamento sul costo è lo stesso che affrontiamo parlando di costi e onboarding di un chatbot aziendale personalizzato: la licenza è la voce piccola.

Il problema dei permessi: chi vede cosa quando un notebook viene condiviso

È l’obiezione che blocca più progetti, e circola parecchia disinformazione. Chiariamola con la fonte primaria. Da maggio 2026 Google ha introdotto la sincronizzazione automatica con Drive: i contenuti si aggiornano da soli quando cambia il file originale, e soprattutto i permessi vengono rispettati. Se a una persona viene revocato l’accesso a un file di Drive, «non potrà più usare quel file come fonte nel suo notebook»; la fonte resta visibile con un link per richiedere l’accesso. Se il file viene cancellato, sparisce anche dal notebook.

Quindi il rischio non è quello che si teme di solito. Il rischio vero è un altro, ed è più sottile: il notebook ha una sua ACL, separata da quella dei documenti. Nessuno impedisce a un utente autorizzato di costruire un notebook che aggrega il piano industriale, i verbali del CdA e la tabella retributiva, tre documenti che nessuno, singolarmente, avrebbe motivo di leggere insieme, e di condividerlo con il proprio team. Ogni permesso a monte è formalmente rispettato. Il risultato aggregato non lo è.

Nell’edizione Enterprise questo si governa: la documentazione Google Cloud conferma controlli di accesso basati su IAM e condivisione limitata agli utenti dello stesso progetto, senza condivisione pubblica. Ma IAM è uno strumento, non una politica: qualcuno deve decidere quali classi di documenti possono coesistere nello stesso notebook e quali no. Quel «qualcuno» è la parte che nessuna licenza include.

Privacy, AI Act e conformità: dove finiscono i documenti aziendali

Sulla domanda «i miei documenti addestrano il modello?» la risposta ufficiale è netta. Nella documentazione di supporto ufficiale Google scrive che «i tuoi dati sono protetti e non vengono usati per addestrare Gemini Notebook, a meno che tu non fornisca un feedback», e per i clienti Workspace aggiunge che caricamenti, domande e risposte «non saranno esaminati da revisori umani nemmeno quando fornisci un feedback pollice su o pollice giù».

L’edizione Enterprise aggiunge il livello che serve a un ufficio legale: VPC Service Controls, chiavi di cifratura gestite dal cliente (CMEK), controlli di residenza dei dati e gestione degli accessi via IAM, con la garanzia, riportata nella documentazione Google Cloud di NotebookLM Enterprise, che «i tuoi dati restano sempre dentro il tuo progetto Google Cloud e non possono essere condivisi esternamente». La stessa pagina indica che accetta anche i formati Microsoft, DOCX, PPTX, XLSX, con limiti tecnici concreti: 300 fonti per notebook, 500 MB o 500.000 parole per singola fonte, circa 150.000 celle attive per foglio Excel.

Attenzione però a non confondere la conformità dell’infrastruttura con la conformità dell’uso. Che i dati restino nel tuo progetto non risponde alla domanda se quel trattamento abbia una base giuridica, se i documenti caricati contengano dati personali di terzi, se serva un aggiornamento del registro dei trattamenti. Sono valutazioni che restano in capo all’azienda, e che si intrecciano con gli obblighi che abbiamo mappato nella guida su cosa prevede l’AI Act e chi deve adeguarsi. La piattaforma ti dà gli strumenti per essere conforme; non ti rende conforme.

Le allucinazioni non spariscono solo perché il modello cita le fonti

Questo è il punto che quasi nessuno affronta, e per un blog che spiega come funzionano davvero gli LLM (Large Language Models) è il punto più importante. L’argomento commerciale è: risponde solo dalle tue fonti, quindi non inventa. È vero al 90%, e quel 10% è tutto quello che conta.

Un lavoro di maggio 2026 su arXiv, «Il punto cieco dell’attribuzione», identifica il problema con una formulazione che vale la pena riportare per intero: «l’assunzione standard, che un output coerente con il contesto implichi un output governato dal contesto, si rompe quando il documento recuperato si sovrappone ai dati di pre-addestramento del modello». Detto in italiano: quando il tuo documento parla di cose che il modello già sa, non è possibile distinguere dall’output se la risposta viene dal tuo file o dalla sua memoria. Le due strade producono testo indistinguibile. La citazione che vedi in fondo alla frase certifica che quel documento esiste, non che quella frase ne derivi.

Dove si rompe, concretamente? Non sui fatti secchi — un importo, una data, un nome sono ancorati bene. Si rompe sulle sfumature che differenziano la tua procedura da quella standard del settore: l’eccezione che avete introdotto nel 2024, la deroga per il cliente grande, il passaggio che il vostro manuale prescrive al contrario di come lo fanno tutti. Sono esattamente i punti per cui hai caricato il documento, ed è lì che la memoria parametrica del modello spinge verso la versione media del mondo.

Perché un corpus curato batte la ricerca aperta sul web

C’è un secondo studio che parla direttamente alla scelta di architettura. Una valutazione di luglio 2026 su un servizio informativo pubblico ha confrontato due percorsi di recupero — corpus locale curato contro ricerca aperta sul web — con cinque esperti di dominio e 551 valutazioni su 449 risposte. Risultato: nel 35% delle risposte da ricerca web (65 su 187) almeno una fonte citata è stata segnalata come problematica, mentre le fonti del corpus curato sono state segnalate «molto meno spesso, e solo perché non aggiornate».

Il dettaglio più istruttivo però è un altro: inserire nel prompt di sistema una lista di domini attendibili ha alzato la quota di citazioni verso quei domini solo dal 12% al 21%. È la misura di quanto poco si ottenga chiedendo al modello di comportarsi bene, rispetto a quanto si ottenga decidendo a monte cosa può leggere. Se hai già affrontato il tema del RAG e di perché è fondamentale per l’AI, riconosci lo schema: la qualità della risposta è una funzione della qualità del corpus, non dell’eleganza del prompt. Ed è anche il motivo per cui il recupero sbaglia bersaglio in modo così plausibile, come raccontiamo parlando di similarità coseno e pagine vicine invece che giuste.

Attivarlo non basta: cosa separa un notebook pieno da uno utile

Rimettiamo insieme i pezzi. Lo strumento è ottimo, i permessi si governano, la conformità infrastrutturale c’è, i limiti di grounding sono noti e gestibili. Perché allora tanti progetti si fermano dopo tre settimane?

Perché nessuna delle attività che rendono utile un notebook è un’attività che il notebook svolge. Sono quattro, e sono tutte lavoro umano.

Ingestion e permessi: le fondamenta di un notebook aziendale

La prima è l’ingestion: decidere quali documenti entrano. Non «tutti»: un notebook con la procedura di reso in tre versioni, di cui due obsolete, produce risposte peggiori di un notebook con una versione sola. Il caricamento indiscriminato è la causa numero uno dei fallimenti, perché il modello non sa quale copia sia quella buona — e non te lo dirà.

La seconda è la classificazione dei permessi: mappare quali classi di documenti possono stare nello stesso notebook, chi può crearne, cosa succede quando una persona cambia ruolo.

Prompt library e onboarding: l’adozione di NotebookLM in azienda

La terza è la prompt library. È il passaggio più sottovalutato. Una persona che non ha mai lavorato con un LLM apre la chat e scrive «riassumi». Ottiene un riassunto mediocre, conclude che lo strumento è mediocre, non torna. Una libreria di dieci prompt testati sul corpus reale — «elencami tutte le clausole con penale superiore al 5%, con riferimento all’articolo» — cambia completamente l’esito al primo tentativo, che è l’unico che conta. Il metodo è quello del prompt engineering, applicato ai vostri documenti e non in astratto.

La quarta è l’onboarding delle persone, e qui il limite è strutturale. Un’analisi italiana sui limiti di NotebookLM lo dice senza giri: «non è progettato per gestire centinaia di utenti, ruoli o gruppi» e mancano «assegnazioni, percorsi, scadenze, controlli». È un assistente di ricerca, non una piattaforma di adozione. Chi porta le persone dentro dev’essere qualcuno. È la stessa dinamica che descriviamo nella guida sull’onboarding di agenti AI in azienda, ed è il motivo per cui, come sosteniamo altrove, quando l’AI generativa non genera ROI il problema non è la tecnologia.

Il servizio intorno allo strumento: quando conviene farsi affiancare

C’è un momento in cui NotebookLM smette di bastare, ed è utile riconoscerlo prima di averci investito sei mesi. Succede quando il corpus deve aggiornarsi da sistemi che il notebook non legge — un gestionale, un CRM, un ERP. Lo strumento, come nota la recensione business già citata, «non si collega direttamente a Salesforce, Slack o a un ERP per lo streaming di dati in tempo reale»: lavora su istantanee. Fino a lì è il compagno ideale; oltre, serve un’architettura RAG aziendale progettata su misura, o un collegamento ai sistemi via MCP Server.

In MIMIR facciamo esattamente questa distinzione, e la facciamo prima di vendere qualcosa. Se il tuo caso si risolve con Gemini Notebook configurato bene, te lo diciamo: il nostro lavoro lì è il servizio intorno allo strumento — l’ingestion dei documenti con la deduplicazione delle versioni, la classificazione dei permessi in classi documentali, la prompt library costruita e testata sul vostro corpus, e l’onboarding delle persone che è la parte che decide se il progetto vive. Se invece serve superare il confine degli snapshot, allora si progetta un sistema, e lo facciamo con lo stesso metodo che raccontiamo parlando di Mimír AI Agent e di precisione reale in produzione sull’estrazione dati.

La differenza fra un prodotto e un servizio è tutta qui: il prodotto ti dà la licenza, il servizio ti dà l’organizzazione che la usa.

Se stai valutando NotebookLM per i documenti della tua azienda e vuoi capire se il tuo caso si chiude con una configurazione fatta bene o richiede un’architettura dedicata, puoi parlarne con noi di MIMIR: partiamo sempre da una valutazione del corpus e dei permessi, prima di proporre qualsiasi cosa.

Fonti:

• Google Workspace Updates — NotebookLM diventa Gemini Notebook (16 luglio 2026)
• Google Workspace Updates — sincronizzazione automatica delle fonti con Drive
• Google Support — limiti di fonti, notebook e domande per piano
• Google Cloud — NotebookLM Enterprise: prova di 30 giorni e prezzo per licenza
• Google Cloud Docs — panoramica di NotebookLM Enterprise: IAM, VPC-SC, CMEK
• arXiv — «Il punto cieco dell’attribuzione»: quando la citazione non prova il grounding (maggio 2026)
• arXiv — corpus curato contro ricerca web aperta: valutazione con esperti di dominio (luglio 2026)
• 9to5Google — il rebranding a Gemini Notebook e le nuove funzioni
• Syllog — i limiti di NotebookLM per la gestione di utenti e percorsi
• Prezent — recensione business di NotebookLM: limiti su dataset ampi e integrazioni